AI架构选型诊断

接到一个 AI 应用需求时，最容易陷入的误区是按“复杂度”排光谱。客户要的往往是开箱即用的工具，而不是一个需要进画布拖节点的“可配置工作流平台”。这个技能的核心心法是：按工具解决哪一层问题来分层归位，再按正交维度自由组合。

核心能力与诊断流程

技能将选型拆解为“五层模型”：交互层、编排层、能力层、发布层和治理层。诊断遵循严格的三步法：

1. 收集需求信号：依次确认“谁用”、“是否要定制 UI”、“确定性优先级”、“权限与数据安全”、“专项瓶颈”及“交付形态”。
2. 定档位 + 看瓶颈：根据前四个维度映射到 1-4 号基础场景；若有 RAG、多智能体或长期记忆等硬需求，再叠加 5-7 号场景。
3. 查治理 + 产出方案卡：涉及敏感数据必须自建治理层。最终输出一份明确的“选型方案卡”。

关键避坑指南

• 确定性不等于换框架：Plan + Skill 固化可达相当确定性，真正的硬需求是“可审计 / 可回放 / 人工介入点”。
• 产品与框架的抽象差异：WorkBuddy 是产品，LangChain / Pydantic AI 是代码框架，终端客户无法直接使用后者。
• 组合优于互斥：LangGraph 写确定性核心暴露 API，WorkBuddy 可通过连接器调用它。